Videomae Base Ssv2

🚀 VideoMAE (ベースサイズのモデル、事前学習のみ)

VideoMAEモデルは、Something-Something-v2データセットで2400エポック、自己教師付き学習方式で事前学習されています。このモデルは、Tongらによる論文 VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training で導入され、このリポジトリ で最初に公開されました。

なお、VideoMAEを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

📚 ドキュメント

モデルの説明

VideoMAEは、Masked Autoencoders (MAE) をビデオに拡張したモデルです。このモデルのアーキテクチャは、標準的なVision Transformer (ViT) に非常に似ており、マスクされたパッチのピクセル値を予測するためのデコーダが上部に追加されています。

ビデオは、固定サイズのパッチ (解像度16x16) のシーケンスとしてモデルに入力され、線形埋め込みが行われます。また、分類タスクに使用するために、シーケンスの先頭に [CLS] トークンが追加されます。そして、シーケンスをTransformerエンコーダのレイヤーに入力する前に、固定の正弦/余弦位置埋め込みが追加されます。

モデルを事前学習することで、ビデオの内部表現を学習し、下流タスクに有用な特徴を抽出することができます。たとえば、ラベル付きのビデオデータセットがある場合、事前学習されたエンコーダの上に線形レイヤーを配置して、標準的な分類器を学習することができます。通常、[CLS] トークンの最後の隠れ状態は、ビデオ全体の表現と見なすことができるため、このトークンの上に線形レイヤーを配置します。

想定される用途と制限

この生のモデルは、ビデオのマスクされたパッチのピクセル値を予測するために使用することができますが、主に下流タスクでファインチューニングすることを想定しています。関心のあるタスクでファインチューニングされたバージョンを探すには、モデルハブ を参照してください。

使い方

ここでは、このモデルを使用してランダムにマスクされたパッチのピクセル値を予測する方法を示します。

from transformers import VideoMAEFeatureExtractor, VideoMAEForPreTraining
import numpy as np
import torch

num_frames = 16
video = list(np.random.randn(16, 3, 224, 224))

feature_extractor = VideoMAEFeatureExtractor.from_pretrained("MCG-NJU/videomae-base-short-ssv2")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-base-short-ssv2")

pixel_values = feature_extractor(video, return_tensors="pt").pixel_values

num_patches_per_frame = (model.config.image_size // model.config.patch_size) ** 2
seq_length = (num_frames // model.config.tubelet_size) * num_patches_per_frame
bool_masked_pos = torch.randint(0, 2, (1, seq_length)).bool()

outputs = model(pixel_values, bool_masked_pos=bool_masked_pos)
loss = outputs.loss

より多くのコード例については、ドキュメント を参照してください。

学習データ

(この部分は未記載です。PRを出して追加することができます。)

学習手順

前処理

(この部分は未記載です。PRを出して追加することができます。)

事前学習

(この部分は未記載です。PRを出して追加することができます。)

評価結果

(この部分は未記載です。PRを出して追加することができます。)

BibTeXエントリと引用情報

misc{https://doi.org/10.48550/arxiv.2203.12602,
  doi = {10.48550/ARXIV.2203.12602},
  url = {https://arxiv.org/abs/2203.12602},
  author = {Tong, Zhan and Song, Yibing and Wang, Jue and Wang, Limin},
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training},
  publisher = {arXiv},
  year = {2022},
  copyright = {Creative Commons Attribution 4.0 International}
}

📄 ライセンス

このモデルは、CC BY-NC 4.0ライセンスの下で提供されています。